هوش مصنوعی در ترید: کاربرد، محدودیت و ریسکها
تبلیغی دیدهاید که از «ربات هوش مصنوعی» با سود منظم حرف میزند و میخواهید بدانید این فناوری در بازار واقعاً چه میکند. پاسخ کوتاه این است: هوش مصنوعی در ترید ابزار تحلیل داده، پایش بازار و پشتیبانی تصمیم است، نه پیشگوی قیمت. این صفحه کاربردها، مرز پیشبینی، دام بکتست و موضع ناظران را با سند نشان میدهد.
این مقاله برای معاملهگری است که میخواهد بداند هوش مصنوعی در بازار چه میکند و چه نمیکند. بعد از آن میتواند سراغ بکتست، بیشبرازش و کلاهبرداری فروش سیگنال برود.
در یک نگاه
- هوش مصنوعی ابزار تحلیل و پایش است، نه پیشگوی بازار.
- کاربردها چهار لایه دارند: داده، مدل، اجرا و نظارت انسانی.
- نتیجهٔ بکتست با بازدهی قابلمعامله یکی نیست.
- وعدهٔ نرخ برد ۱۰۰٪ از نشانههای هشدار کلاهبرداری است.
- ناظران به تعهدات موجود تکیه میکنند، نه قانون ویژهٔ هوش مصنوعی.
هوش مصنوعی در ترید چیست و با ربات قاعدهمحور چه فرقی دارد؟
هوش مصنوعی در ترید یعنی استفاده از مدلهای یادگیری ماشین و مدلهای زبانی برای تحلیل داده، پایش بازار، مدیریت ریسک و پشتیبانی اجرای معامله. این فناوری آینده را با قطعیت پیشبینی نمیکند و سود تضمین نمیکند؛ سیافتیسی صریحاً میگوید هوش مصنوعی نمیتواند آینده را پیشبینی کند و ادعای بازدهی تضمینی نشانهٔ هشدار کلاهبرداری است. فرض کنید تبلیغی میگوید «ربات هوش مصنوعی ما بازار را میخواند». پیش از هر قضاوتی باید روشن شود پشت این برچسب چه چیزی کار میکند: یک قاعدهٔ ثابت یا مدلی که از داده یاد گرفته است. ممکن است ابزاری که این برچسب را دارد، در عمل همان اکسپرت قاعدهمحور باشد. ربات قاعدهمحور برنامهای است که شرطهای نوشتهٔ انسان را بیکموکاست اجرا میکند: «اگر شرط الف برقرار شد، سفارش ثبت کن؛ اگر شرط ب برقرار شد، موقعیت را ببند». این همان هستهٔ معامله الگوریتمی است. مدل یادگیری ماشین (Machine Learning) قاعده را از انسان نمیگیرد؛ الگو را از دادهٔ گذشته بیرون میکشد و پارامترهایش را طوری تنظیم میکند که خطایش روی همان داده کم شود. تفاوت این دو شبیه فرق دو کولر است. کولر ساده با ترموستات کار میکند: وقتی دما از عدد تعیینشده بالاتر برود، روشن میشود. کولر هوشمند از عادت ساکنان خانه یاد میگیرد چه زمانی خانه را خنک کند. دومی انعطاف بیشتری دارد، ولی اگر عادتها عوض شوند، همان یادگرفتهها ممکن است گمراهش کنند.
مقایسهٔ سازوکار دو رویکرد، نه مقایسهٔ سودآوری
| ویژگی | ربات قاعدهمحور | مدل یادگیری ماشین |
|---|---|---|
| منشأ قاعده | نوشتهٔ انسان | برآمده از داده |
| رفتار در شرایط تازهٔ بازار | همان قاعده، بیتغییر | وابسته به شباهت دادههای تازه با دادهٔ آموزش |
| ردگیری هر تصمیم | معمولاً ساده | گاهی دشوار |
| خطر اصلی | قاعدهٔ نامتناسب با بازار و بهینهسازی بیشازحد پارامترها روی بکتست | بیشبرازش و دادهٔ بیکیفیت |
در منابع انگلیسی به این حوزه AI trading میگویند. بنیاد پژوهشی CFA Institute در کتاب راهنمایی که ۲۷ مارس ۲۰۲۳ منتشر کرد، نوشته است که ردپای هوش مصنوعی و کلانداده در همهجای شرکتهای مدیریت دارایی مدرن دیده میشود. این حضور گسترده به معنای پیشبینیپذیر شدن بازار نیست؛ معنایش این است که داده و مدل به بخشی عادی از زنجیرهٔ تصمیم تبدیل شدهاند.
چهار لایه هر سامانه هوش مصنوعی در بازار
هر ابزاری که برچسب هوش مصنوعی دارد، روی چهار لایه سوار است: داده، مدل، اجرا و نظارت انسانی. این قاعده از دستیار سادهای که لحن خبر را میسنجد تا سامانهٔ اجرای سفارش یک نهاد بزرگ صدق میکند. این نقشه کمک میکند هر ادعا را در جای خودش بسنجید و بدانید خطا از کدام لایه ممکن است بیاید. آشپزخانهٔ یک رستوران همین ساختار را دارد: مواد اولیه، آشپز، سرو غذا و سرپرستی که پیش از رسیدن بشقاب به میز آن را میچشد.
- لایهٔ داده: قیمت، حجم، دفتر سفارش، متن خبر و گزارشهای اقتصادی. خطای این لایه دادهٔ ناقص، دیرهنگام یا ناهمگون است و هیچ مدلی آن را جبران نمیکند.
- لایهٔ مدل: الگوریتمی که از داده الگو میسازد، از مدل آماری ساده تا شبکهٔ عصبی و مدل زبانی بزرگ (LLM). خطای رایج این لایه بیشبرازش است، یعنی مدل جزئیات تصادفی گذشته را هم بهجای الگو حفظ کند.
- لایهٔ اجرا: جایی که خروجی مدل به سفارش یا هشدار تبدیل میشود. لغزش قیمت (Slippage)، تأخیر و قطع اتصال در این لایه رخ میدهند؛ لغزش یعنی فاصلهٔ قیمت اجرا با قیمت مورد انتظار.
- لایهٔ نظارت انسانی: کسی که خروجی را میبیند، حد مجاز را تعیین میکند و میتواند سامانه را متوقف کند. نبودن این لایه یعنی خطای سه لایهٔ دیگر بیمانع به حساب شما میرسد.
چهار لایهٔ سامانهٔ هوش مصنوعی در بازار و خطای رایج هر لایه
بیشتر تبلیغها فقط از لایهٔ مدل حرف میزنند، چون جذابترین بخش است. وقتی ادعایی را میسنجید، سه پرسش دیگر را هم بپرسید: داده از کجا میآید، خروجی چطور اجرا میشود و چه کسی حق توقف دارد. حالا که نقشه روشن شد، هر کاربرد بخش بعد را میتوانید روی یکی از این لایهها بنشانید.
هوش مصنوعی در بازار به چه کارهایی میآید؟
کاربردهای هوش مصنوعی در بازار چهار گروه اصلی دارند: تحلیل داده و خبر، پایش بازار، مدیریت ریسک و پشتیبانی اجرای معامله. هیچکدام وعدهٔ نتیجه نیست. هر کدام کاری است که انسان هم انجام میدهد، با این تفاوت که مدل حجم بیشتری از داده را سریعتر مرور میکند.
تحلیل داده و خبر
مدلها انبوهی از نمودار، گزارش و متن خبر را مرور میکنند و الگوهای تکراری یا لحن متن را برچسب میزنند. در تحلیل تکنیکال این کار یعنی شناسایی خودکار الگوهای نموداری روی شمار زیادی نماد؛ در تحلیل خبر یعنی دستهبندی متن به مثبت، منفی یا خنثی. خروجی این کار ورودی تصمیم است، نه خود تصمیم.
پایش بازار
پایش یعنی مدل وضعیت بازار را زیر نظر بگیرد و ناهنجاری را زودتر از چشم انسان علامت بزند: جهش غیرعادی حجم، شکاف قیمتی میان بازارهای مرتبط یا رفتار نامعمول سفارشها. پژوهشگران بانک تسویهٔ بینالمللی هم مدلی برای همین نوع پایش پیشنهاد و آزمون کردهاند؛ شرحش را دو بخش بعد میبینید.
مدیریت ریسک
در مدیریت ریسک، مدل میتواند همبستگی میان داراییها، تغییر نوسان و تمرکز موقعیتها را پیوسته بسنجد و وقتی سبد از حدی که خود شما تعیین کردهاید فراتر رفت، هشدار بدهد. حد را انسان تعیین میکند؛ مدل فقط فاصله تا آن حد را گزارش میدهد.
پشتیبانی اجرای معامله
پشتیبانی اجرا یعنی کمک به اینکه سفارش با هزینه و لغزش کمتر انجام شود، مثلاً با تصمیم دربارهٔ زمانبندی یا خرد کردن سفارشهای بزرگ. کتاب راهنمای هوش مصنوعی و کلانداده در سرمایهگذاری، به ویراستاری Larry Cao، فصلهای ۷ و ۸ را به همین موضوع اختصاص داده است. هدف اصلی این کاربرد اجرای بهتر تصمیمی است که پیشتر گرفته شده، نه پیشبینی جهت قیمت.
مدلهای زبانی و خبر مالی چه چیزی نشان دادهاند؟
یکی از پرسشهای پرتکرار این است که آیا مدلی مثل ChatGPT با خواندن خبر میتواند حرکت سهام را تشخیص دهد. لوپز-لیرا و تانگ در پژوهشی با عنوان «آیا ChatGPT میتواند حرکت قیمت سهام را پیشبینی کند؟» رابطهٔ خروجی مدلهای زبانی بزرگ با بازده سهام را بررسی کردهاند. این کار شکلی از تحلیل سنتیمنت است، یعنی سنجش لحن و حالوهوای متن برای فهم واکنش بازار. مهمترین یافته برای معاملهگر در نسخهٔ ۲۸ اکتبر ۲۰۲۵ این پژوهش آمده است: با افزایش پذیرش مدلهای زبانی، بازده راهبرد کاهش مییابد. نویسندگان این کاهش را با بهبود کارایی قیمت سازگار میدانند. کارایی قیمت یعنی اطلاعات تازه سریعتر در قیمت جذب شود و فرصتی که از آن اطلاعات باقی میماند کوچکتر شود. سازوکار را با مسیریاب خودرو مقایسه کنید. تا وقتی فقط عدهٔ کمی از یک میانبر خبر دارند، آن مسیر خلوت است. وقتی همهٔ مسیریابها همان میانبر را پیشنهاد کنند، خودروها به آن سرازیر میشوند و مزیتش از بین میرود. در بازار هم ابزاری که در دسترس همه قرار بگیرد، معمولاً بهمرور مزیت کمتری برای هر کاربر باقی میگذارد.
نکته
یافتهٔ پژوهشی با راهبرد آماده فرق دارد
این نتیجه به سهام و دادههای خبری آمریکا مربوط است و نباید آن را به فارکس، کریپتو یا بازارهای دیگر تعمیم داد. نشان دادن رابطهٔ آماری در یک نمونه با داشتن راهبردی که پس از هزینه و رقابت هم کار کند، دو چیز جداست.
پایش بازار با سیگنال معاملاتی فرق دارد
خروجی یک مدل میتواند دو شکل کاملاً متفاوت داشته باشد: گزارشی دربارهٔ وضعیت بازار، یا دستوری برای معامله. سیگنال به شما میگوید چه کاری انجام دهید؛ پایش به شما میگوید بازار در چه وضعی است و تصمیم را به عهدهٔ خودتان میگذارد. بانک تسویهٔ بینالمللی (BIS) در مقالهٔ کاری شمارهٔ ۱۲۹۱، منتشرشده در ۲۴ سپتامبر ۲۰۲۵، نمونهٔ روشنی از پایش را نشان داده است. پژوهشگران یک شبکهٔ عصبی بازگشتی (RNN) را برای پیشبینی روزانهٔ اختلال بازار در جفتارز EUR/JPY بهکار بردند. این نوع شبکه مدلی است که دادهٔ ترتیبی و زمانی را پردازش میکند. معیار اختلال، انحراف از برابری آربیتراژ مثلثی بود. در بازاری که روان کار میکند، نرخ یورو به ین باید با حاصلضرب نرخ یورو به دلار و دلار به ین همخوان باشد. وقتی این سه نرخ از هم فاصله میگیرند، نشانهٔ آن است که بازار درست کار نمیکند.
شبکهٔ عصبی بازگشتی ما پیشبینیهای روزانهٔ تفسیرپذیر از اختلال بازار را برای ۶۰ روز کاری جلوتر تولید میکند.
مقالهٔ کاری شمارهٔ ۱۲۹۱ بانک تسویهٔ بینالمللی
این مدل به ناظر میگوید احتمال بروز اختلال بالا رفته است تا زودتر آماده شود. نمیگوید کدام طرف بازار را بگیرید و اساساً برای این کار ساخته نشده است. اگر کسی خروجی ابزارهای پایش را بهعنوان سیگنال معاملاتی بفروشد، کاربرد آن ابزار را تحریف کرده است.
آیا هوش مصنوعی میتواند بازار را پیشبینی کند؟
اگر منظور از پیشبینی دانستن آینده باشد، پاسخ منفی است. کمیسیون معاملات آتی کالای آمریکا (CFTC) در هشدار مشتریان ۲۵ ژانویهٔ ۲۰۲۴ با عنوان «AI Won't Turn Trading Bots into Money Machines»، یعنی «هوش مصنوعی رباتهای معاملاتی را به ماشین پول تبدیل نمیکند»، صریح نوشت: «فریب کلاهبرداران را نخورید؛ فناوری هوش مصنوعی نمیتواند آینده را پیشبینی کند.» اطلاعیهٔ مطبوعاتی همان روز هم توضیح داد که کلاهبرداران از علاقهٔ عمومی به هوش مصنوعی برای تبلیغ الگوریتمهای معاملهٔ خودکار سوءاستفاده میکنند. آنچه مدلها انجام میدهند پیشبینی آماری است، یعنی تخمین احتمال، همراه با خطا و عدم قطعیت. پیشبینی هوا را در نظر بگیرید: میگوید احتمال بارش زیاد است، نه اینکه باران دقیقاً چه زمانی و کجا میبارد. مدل بازار هم در بهترین حالت احتمالی را برآورد میکند که ممکن است درست از آب درنیاید. دو دلیل ساختاری این مرز را پررنگتر میکند. اول، مدل از گذشته یاد گرفته است و اگر رفتار بازار عوض شود، مثلاً با تغییر سیاست پولی یا وقوع بحران، الگوهای گذشته دیگر صادق نیستند. دوم، وقتی الگویی سودآور شناخته شود و ابزارهای زیادی دنبالش بروند، همان الگو ممکن است کمرنگ شود؛ این همان سازوکاری است که در بخش مدلهای زبانی دیدید. به همین دلیل «تضمین سود» با منطق خود فناوری در تضاد است.
مهم
پیشبینی احتمالی تضمین نیست
هر خروجی مدل، حتی دقیقترینش، تخمینی همراه با خطاست. ابزاری که «سود قطعی» یا «پیشبینی بیخطا» وعده بدهد، چیزی را ادعا کرده که فناوری پشتیبانش نیست.
چرا بکتست درخشان لزوما به سود واقعی نمیرسد؟
بکتست (Backtest) یعنی اجرای یک راهبرد روی دادهٔ گذشته برای دیدن اینکه اگر آن موقع بهکار میرفت، چه نتیجهای میداد. مشکل از جایی شروع میشود که مدل بهجای الگوی واقعی، جزئیات تصادفی همان داده را حفظ کند. به این پدیده بیشبرازش (Overfitting) میگویند. دانشآموزی را تصور کنید که بهجای یادگرفتن درس، پاسخ سؤالهای امتحان پارسال را حفظ کرده است. اگر همان سؤالها تکرار شوند، نمرهٔ کامل میگیرد؛ اگر سؤال تازه بیاید، دستش خالی است. مدل بیشبرازششده هم روی دادهٔ آموزش درخشان است و روی دادهٔ نادیده عملکردش افت میکند. فرض کنید نسخههای زیادی از یک مدل را روی یک دورهٔ گذشته آزمودهاید و بهترینش را انتخاب کردهاید. به احتمال زیاد، این «بهترین» همان نسخهای است که با نویز همان دوره بیشترین جفتوجوری را داشته است، نه نسخهای که الگوی ماندگار را یافته باشد. پژوهشی از Gort، Liu، Sun، Gao، Chen و Wang که نسخهٔ اولش ۱۲ سپتامبر ۲۰۲۲ منتشر شد، همین مسئله را در یادگیری تقویتی عمیق (Deep Reinforcement Learning) برای ترید کریپتو بررسی کرده است. نویسندگان میگویند گزارشهای خوشبینانهٔ سود در بکتست ممکن است بهدلیل بیشبرازش مثبت کاذب باشند. راهحلشان این بود که تشخیص بیشبرازش را به شکل آزمون فرضیه درآورند: بهجای پذیرفتن نتیجهٔ خوب، بپرسند آیا این نتیجه فقط حاصل تنظیم بیشازحد مدل روی داده است. آزمون آنها روی ۱۰ ارز دیجیتال و در بازهٔ ۱ مه تا ۲۷ ژوئن ۲۰۲۲ انجام شد، بازهای که دو سقوط بازار را در بر داشت. این نمونه کوچک و تکدوره است و نتیجهاش را نمیتوان به همهٔ بازارها و دورهها تعمیم داد؛ ارزشش در روش است، نه در عددی که برای سودآوری به دست آمد.
طرحوارهٔ بیشبرازش: فاصلهٔ نتیجه روی دادهٔ آموزش و دادهٔ نادیده
ریسکها و محدودیتها از کیفیت داده تا شفافیت
ریسکهای هوش مصنوعی در ترید بیشتر در سه جا ریشه دارند: داده، مدل و پاسخگویی. بنا بر خلاصهای حقوقی از بیانیهٔ عمومی ۳۰ مه ۲۰۲۴ اسما (ESMA)، ناظر بازارهای مالی اتحادیهٔ اروپا، دربارهٔ هوش مصنوعی در خدمات سرمایهگذاری، این بیانیه فهرستی از این ریسکها را برشمرده است. ترکیب آن فهرست با سازوکار بیشبرازش و هشدار سیافتیسی، تصویر زیر را میسازد:
- بیشبرازش: مدلی که گذشته را حفظ کرده، روی دادهٔ تازه افت میکند و نتیجهٔ بکتست را بیاعتبار میسازد.
- کیفیت دادههای آموزش: دادهٔ ناقص، پرخطا یا محدود به یک دورهٔ خاص بازار، مدل را از همان ابتدا کجفهم بار میآورد.
- سوگیری الگوریتمی: خطایی نظاممند که از ساختار داده یا طراحی مدل میآید؛ مثلاً مدلی که فقط بازار صعودی دیده، همهچیز را صعودی میبیند.
- قابلیت اتکای خروجی: پاسخ مدل ممکن است در شرایط مشابه یکسان نباشد یا در شرایط غیرعادی ناگهان بیمعنا شود.
- کمبود شفافیت و توضیحپذیری (Explainability): وقتی ندانید مدل چرا تصمیمی گرفته، هنگام خطا هم علت را پیدا نمیکنید.
- کمبود پاسخگویی و نظارت: اگر معلوم نباشد چه کسی مسئول خروجی است، خطا بیصاحب میماند.
- امنیت و حریم داده: سپردن کلید دسترسی حساب (API key) یا اطلاعات شخصی به ابزار ناشناس، در را برای سوءاستفاده باز میکند.
- کلاهبرداری: برچسب هوش مصنوعی پوشش مناسبی برای طرحهای فریبنده است که بخش بعد سازوکارش را باز میکند.
اگر سامانهای خودکار با دسترسی مستقیم به حساب شما معامله کند و یکی از این ریسکها فعال شود، ممکن است بخشی از سرمایه یا همهٔ آن را از دست بدهید. لایهٔ نظارت انسانی برای همین است: حد زیان و حق توقف را باید پیش از اجرا تعیین کنید.
کلاهبرداری با برچسب هوش مصنوعی چگونه کار میکند؟
سازوکارش ساده است. برچسب هوش مصنوعی محصولی را که درونش دیده نمیشود، علمی و پیشرفته جلوه میدهد و خریدار راهی برای بررسی ادعا ندارد. فروشنده بهجای سند، صفحهٔ موجودی، نمودار رشد حساب و پیام رضایت کاربران نشان میدهد. همهٔ اینها را میتوان ساخت، بیآنکه معاملهای واقعی پشتشان باشد. سیافتیسی در همان هشدار دربارهٔ رباتهای هوش مصنوعی، پروندهٔ Mirror Trading International را مثال زده است. این طرح بیش از ۱٫۷ میلیارد دلار بیتکوین را از دستکم ۲۳٬۰۰۰ نفر ربود. به گفتهٔ این نهاد، طرح حداقل ۱۰٪ بازدهی ماهانهٔ تضمینی وعده میداد و برای نمایش موجودی ساختگی از حسابهای دمو در متاتریدر استفاده میکرد. یعنی عددی که قربانی روی صفحه میدید، از هیچ معاملهٔ واقعی نمیآمد. همین پرونده نشان میدهد چرا وعدهٔ بازدهی منظم خطرناک است. بازار ماهبهماه نتیجهٔ یکسان نمیدهد و هر کس نتیجهٔ ثابت ماهانه را تضمین کند، یا ریسک پنهانی را بزرگ کرده یا اصلاً معامله نمیکند. الگوی مشابهی در کلاهبرداری فروش سیگنال و کلاهبرداریهای رایج کریپتو هم دیده میشود: نتیجهای چشمگیر که نمیشود راستیآزماییاش کرد، بهاضافهٔ اعتمادی که از برچسب فناوری قرض گرفته شده است. [S1,S5,S6]
هشدار
موجودی روی صفحه سند معامله نیست
اگر ابزاری فقط تصویر حساب یا داشبورد خودش را بهعنوان مدرک نشان میدهد، آن را سند ندانید. در پروندهٔ Mirror Trading International دقیقاً از حساب دمو برای همین فریب استفاده شد.
چطور ادعای ربات هوش مصنوعی با سود تضمینی را بسنجیم؟
نقطهٔ شروع، نشانههای هشداری است که سیافتیسی برای تبلیغ ربات و سیگنال «هوش مصنوعی» برشمرده است. دیدن هر کدام از این نشانهها کافی است تا پیش از هر واریزی دست نگه دارید:
- ادعای نرخ برد ۱۰۰٪، یعنی اینکه همهٔ معاملات سودده بوده یا خواهد بود.
- بازدهی دهها هزار درصدی، چه به شکل نتیجهٔ گذشته تبلیغ شود چه به شکل وعدهٔ آینده.
- ادعای بازدهی تضمینی، با هر عدد و هر عنوانی.
- این ادعا که به تجربه نیاز ندارید و با سپردهٔ ناچیز میتوانید شروع کنید.
- پاداش برای دعوت دوستان و آشنایان.
- ترویج محصول از سوی اینفلوئنسرها یا غریبههایی که بیمقدمه پیام میدهند. [S1]
حتی اگر ادعای بالا بودن نسبت معاملات سودده درست باشد، این نسبت بهتنهایی چیزی دربارهٔ سودآوری نمیگوید؛ چند زیان بزرگ میتواند کل حساب را از بین ببرد. پس از مرور نشانهها، این پرسشها را از ارائهدهنده بپرسید:
- ارائهدهنده نزد کدام نهاد ناظر ثبت است و آیا این ثبت را میتوان در سایت خود آن نهاد دید؟
- سابقهٔ نتیجه روی حساب واقعی و دادهٔ نادیده است یا فقط بکتست و تصویر صفحه؟
- پول نزد چه کسی نگه داشته میشود و ابزار چه سطح دسترسی به حساب شما میخواهد؟
- سازنده توضیح داده که مدل در چه شرایطی خطا میکند و چه زمانی باید متوقف شود؟
اگر ابزار روی پلتفرم معاملاتی نصب میشود، ریسکهای استفاده از اکسپرت را هم جداگانه بسنجید. پاسخ مبهم یا طفرهرفتن از هر کدام از این پرسشها، خودش بخشی از پاسخ است.
ناظران بازار درباره هوش مصنوعی چه میگویند؟
پیام مشترک سه ناظر بزرگ این است که تعهدات موجود با ورود هوش مصنوعی برداشته نمیشود. کارکنان چهار بخش سیافتیسی در ۵ دسامبر ۲۰۲۴ توصیهنامهای دربارهٔ کاربرد هوش مصنوعی در بازارهای تحت نظارت منتشر کردند. این بخشها «تسویه و ریسک»، «داده»، «نظارت بر بازار» و «مشارکتکنندگان بازار» هستند. این نامهٔ کارکنان با شمارهٔ ۲۴-۱۷ به نهادهای تحت نظارت یادآوری میکند که تعهدات قانون بورس کالا (Commodity Exchange Act) و مقررات سیافتیسی همچنان برقرار است. افسیای (FCA)، ناظر مالی بریتانیا، اعلام کرده است که برنامهای برای وضع مقررات اضافه برای هوش مصنوعی ندارد و به چارچوبهای موجود تکیه دارد؛ از جمله وظیفهٔ مصرفکننده (Consumer Duty) و رژیم مدیران ارشد (SM&CR) که مسئولیت فردی مدیران را مشخص میکند. به نقل از خلاصهٔ حقوقی همان بیانیهٔ مه ۲۰۲۴، اسما تأکید میکند که شرکتها همچنان موظفاند در جهت منافع مشتری عمل کنند.
موضع سه ناظر دربارهٔ هوش مصنوعی در خدمات مالی
| نهاد | حوزه | موضع | سند و تاریخ |
|---|---|---|---|
| سیافتیسی | آمریکا | یادآوری تعهدات قانون بورس کالا به نهادهای تحت نظارت | نامهٔ کارکنان ۲۴-۱۷، ۵ دسامبر ۲۰۲۴ |
| افسیای | بریتانیا | بدون برنامهٔ مقررات اضافه؛ تکیه بر Consumer Duty و SM&CR | صفحهٔ رسمی رویکرد افسیای به هوش مصنوعی؛ برنامهٔ اعلامشده و قابل تغییر |
| اسما | اتحادیهٔ اروپا | الزام به عمل در جهت منافع مشتری و برشمردن ریسکها | بیانیهٔ عمومی ESMA35-335435667-5924، ۳۰ مه ۲۰۲۴، به نقل از خلاصهٔ حقوقی |
این موضعها فقط در حوزهٔ قضایی همان نهادها اعتبار دارند. برای معاملهگر نتیجهٔ عملی این است که اگر کارگزار یا ارائهدهندهای از هوش مصنوعی استفاده میکند، مسئولیتش همان مسئولیتی است که ناظرش تعیین کرده؛ پس پیش از هر چیز ببینید نزد کدام ناظر ثبت است. مقالههای رگولاتوری بروکر و نهادهای ناظر معتبر روش این بررسی را توضیح میدهند.
سه خطای رایج در برداشت از هوش مصنوعی
پرتکرارترین خطا این است که نتیجهٔ بکتست یا یافتهٔ یک مقالهٔ پژوهشی را بازدهی قابلدریافت بدانید. بکتست ممکن است حاصل بیشبرازش باشد و یافتهٔ پژوهشی به نمونه، دوره و بازار مشخصی محدود است. فاصلهٔ میان «در داده دیده شد» و «در حساب واقعی تکرار شد» را هزینهٔ معامله، لغزش قیمت و رقابت دیگران پر میکند. خطای دوم، یکی گرفتن هوش مصنوعی با پیشبینی قطعی است. این برداشت طبیعی است، چون ابزارهای زبانی پاسخ را با لحنی مطمئن میدهند. اما لحن مطمئن نشانهٔ دقت نیست؛ خروجی هر مدل تخمینی احتمالی است. خطای سوم، باور کردن تبلیغی است که از سودده بودن همهٔ معاملات یا بازدهی خیرهکننده حرف میزند. چنین ادعایی دقیقاً همان چیزی است که سیافتیسی در فهرست نشانههای کلاهبرداری آورده است. هرچه وعده بزرگتر و مدرک کمتر باشد، احتمال فریب بیشتر است. هوش مصنوعی در ترید ابزار است و ابزار هیچوقت جای سنجش مستقل را نمیگیرد.
آزمودن ایده هوش مصنوعی پیش از دستزدن به سرمایه
اگر میخواهید ایدهای را با هوش مصنوعی بسازید یا ابزاری آماده را امتحان کنید، ترتیب کار از ابزار مهمتر است. هدف این گامها جدا کردن الگوی واقعی از جفتوجوری تصادفی با دادهٔ گذشته است:
- پرسش را دقیق بنویسید: مدل قرار است چه چیزی را تشخیص دهد و خروجیاش کدام تصمیم را پشتیبانی میکند.
- داده را پیش از آموزش تقسیم کنید: بخشی برای آموزش و بخشی که مدل تا پایان کار هرگز نمیبیند.
- روی دادهٔ نادیده فقط یک بار بسنجید؛ اگر بارها مدل را بر اساس نتیجهٔ همین بخش تنظیم کنید، آن داده دیگر نادیده نیست.
- مدل را در زمان واقعی و بدون پول واقعی اجرا کنید تا رفتارش در بازار زنده دیده شود.
- هر خروجی مدل، تصمیم خودتان و نتیجه را ثبت کنید تا بعداً بتوانید مقایسه کنید.
- پیش از شروع، شرط توقف را بنویسید: در چه وضعی مدل را کنار میگذارید.
گام چهارم همان فوروارد تست است که معمولاً روی حساب دمو انجام میشود. گام پنجم را با یک ژورنال معاملاتی ساده انجام دهید؛ بدون ثبت، نمیدانید موفقیت یا شکست از مدل بوده یا از تصمیم شما.
نکته
دمو هم آزمون نهایی نیست
نتیجهٔ خوب روی حساب دمو تضمینی برای حساب واقعی نیست، چون اجرای سفارش و فشار روانی در حساب واقعی فرق دارد. دمو فقط مرحلهای برای کشف خطاهای آشکار است.
برای ادامه، کدام مقالهها را بخوانید؟
هر کدام از مقالههای زیر یکی از لایهها یا ریسکهای این صفحه را عمیقتر باز میکند. ترتیب پیشنهادی از سازوکار شروع میشود، به آزمون میرسد و با محافظت از خودتان تمام میشود. برای فهم سازوکار ربات، از معامله الگوریتمی شروع کنید که منطق قاعدهمحور را توضیح میدهد. سپس اکسپرت چیست نشان میدهد ربات روی پلتفرم معاملاتی چطور اجرا میشود و ریسکهای اکسپرت خطاهای لایهٔ اجرا را فهرست میکند. برای آزمودن هر ایده، بکتست روش اجرای راهبرد روی دادههای گذشته را میگوید، بیشبرازش در استراتژی دام اصلی آن را نشان میدهد و فوروارد تست گام میان آزمون و حساب واقعی است. برای کار با داده و خبر، تحلیل سنتیمنت توضیح میدهد لحن بازار چطور سنجیده میشود و چه محدودیتی دارد. برای محافظت از سرمایه، کلاهبرداری فروش سیگنال الگوی فریبهای مشابه را باز میکند، رگولاتوری بروکر روش بررسی ناظر را میگوید و اصول مدیریت ریسک چارچوبی است که هیچ مدلی جایش را نمیگیرد.
هرچه اینجا میخوانید آموزشی است — نه سیگنالِ ترید، نه توصیهٔ خرید و فروش، نه وعدهٔ نتیجه. تصمیم آخر با خود شماست.
مرجع و تمرین مرتبط
الگو، ستاپ و واژهٔ مرتبط
پرسشهای پرتکرار
آیا ChatGPT میتواند سیگنال ترید بدهد؟
بهترین هوش مصنوعی برای ترید کدام است؟
چطور با هوش مصنوعی ربات ترید بسازیم؟
هوش مصنوعی در تحلیل تکنیکال چه کاربردی دارد؟
ربات ترید هوش مصنوعی واقعا سودآور است؟
واژههای این مقاله
منابع
این مقاله با کمکِ ابزارهای هوش مصنوعی تهیه شده است. بازبین ثبتشده: بهنام مجیدی. سیاست تحریریه
دیدگاه خود را ارسال کن
ارسال دیدگاهمطالب مرتبط
ارسال دیدگاه
دیدگاهها پیش از انتشار بررسی میشوند. به پرسشهای معاملاتی پاسخ نمیدهیم و سیگنال نمیدهیم.
دیدگاهها (۰)
هنوز دیدگاهی ثبت نشده؛ اولین نفر باش.